Fotoniczne układy scalone, czyli chipy optyczne, potencjalnie oferują wiele zalet w porównaniu z ich elektronicznymi odpowiednikami, takich jak zmniejszone zużycie energii i zmniejszone opóźnienia w obliczeniach. Dlatego wielu badaczy uważa, że mogą być niezwykle skuteczne w zadaniach związanych z uczeniem maszynowym i sztuczną inteligencją (AI). Intel także widzi duże perspektywy wykorzystania fotoniki krzemowej w tym kierunku. Jej zespół badawczy w opracowali szczegółowe nowe techniki, które mogą przybliżyć optyczne sieci neuronowe o krok do rzeczywistości.
W ostatnich , poświęcony uczeniu maszynowemu, opisuje, jak rozpoczęły się badania w dziedzinie optycznych sieci neuronowych. Prace badawcze Davida AB Millera i Michaela Recka wykazały, że typ obwodu fotonicznego znany jako interferometr Macha-Zehndera (MZI) można skonfigurować do wykonywania mnożenia macierzy 2 × 2, a po umieszczeniu MZI na siatce trójkątnej w celu pomnożenia dużych macierzy , można uzyskać obwód realizujący algorytm mnożenia wektorów macierzowych, podstawowe obliczenia stosowane w uczeniu maszynowym.
Nowe badania firmy Intel skupiały się na tym, co się dzieje, gdy różne defekty, na które podatne są chipy optyczne podczas produkcji (ponieważ fotonika obliczeniowa ma charakter analogowy), powodują różnice w dokładności obliczeń między różnymi chipami tego samego typu. Chociaż przeprowadzono podobne badania, w przeszłości skupiały się one bardziej na optymalizacji poprodukcyjnej w celu wyeliminowania ewentualnych niedokładności. Jednak to podejście charakteryzuje się słabą skalowalnością w miarę powiększania się sieci, co skutkuje wzrostem mocy obliczeniowej wymaganej do skonfigurowania sieci optycznych. Zamiast optymalizacji poprodukcyjnej, Intel rozważał jednorazowe szkolenie chipów przed produkcją, przy użyciu architektury odpornej na hałas. Referencyjna optyczna sieć neuronowa została przeszkolona jednokrotnie, po czym parametry uczenia zostały rozłożone na kilka wytworzonych instancji sieci różniących się komponentami.
Zespół Intela rozważał dwie architektury do budowy systemów sztucznej inteligencji w oparciu o MZI: GridNet i FFTNet. GridNet w przewidywalny sposób umieszcza MZI w siatce, podczas gdy FFTNet umieszcza je w motylach. Po przeszkoleniu w zakresie symulacji zadania wzorcowego głębokiego uczenia się odręcznego rozpoznawania cyfr (MNIST) naukowcy odkryli, że GridNet osiągnął wyższą dokładność niż FFTNet (98% w porównaniu z 95%), ale architektura FFTNet była „znacznie solidniejsza”. W rzeczywistości wydajność GridNet spadła poniżej 50% po dodaniu sztucznego szumu (interferencja symulująca możliwe wady w produkcji chipów optycznych), podczas gdy w przypadku FFTNet pozostała prawie stała.
Naukowcy twierdzą, że ich badania kładą podwaliny pod metody szkolenia sztucznej inteligencji, które mogłyby wyeliminować potrzebę dostrajania chipów optycznych po ich wyprodukowaniu, oszczędzając cenny czas i zasoby.
„Jak w każdym procesie produkcyjnym, wystąpią pewne defekty, co oznacza, że między chipami będą niewielkie różnice, które będą miały wpływ na dokładność obliczeń” – pisze Kazimierz Wierzyński, starszy dyrektor Intel AI Product Group. „Jeśli optyczne jednostki neuronowe mają stać się realną częścią ekosystemu sprzętu AI, będą musiały przejść na większe chipy i technologie produkcji przemysłowej. Nasze badania pokazują, że wybranie od razu odpowiedniej architektury może znacznie zwiększyć prawdopodobieństwo, że powstałe chipy osiągną pożądaną wydajność, nawet w przypadku różnic produkcyjnych”.
W tym samym czasie, gdy Intel zajmuje się głównie badaniami naukowymi, doktorant MIT Yichen Shen założył bostoński start-up Lightelligence, który zebrał 10,7 miliona dolarów w postaci funduszy venture capital i prototypowy chip optyczny do uczenia maszynowego, który jest 100 razy szybszy niż nowoczesne chipy elektroniczne, a także zmniejsza zużycie energii o rząd wielkości, co po raz kolejny wyraźnie pokazuje obietnicę technologii fotonicznych.
Źródło: 3dnews.ru